Obsah
Q:
Co je lepší, platforma nebo algoritmus strojového učení s sebou na AWS?
A:
V dnešní době mnoho společností integruje řešení strojového učení do své sady analytických nástrojů s cílem zlepšit správu značky, zlepšit zkušenosti se zákazníky a zvýšit provozní efektivitu. Modely strojového učení jsou základní součástí řešení strojového učení. Modely jsou školeny pomocí matematických algoritmů a velkých datových souborů, aby bylo možné spolehlivě předpovědět. Dva běžné příklady předpovědí jsou (1) určující, zda soubor finančních transakcí naznačuje podvod, nebo (2) posuzuje sentiment spotřebitele kolem produktu na základě vstupů získaných ze sociálních médií.
Amazon SageMaker je plně spravovaná služba, která umožňuje vývojářům a vědcům v oblasti dat vytvářet, trénovat a zavádět modely strojového učení. V aplikaci SageMaker můžete použít algoritmy out-of-the-box nebo se vydat na cestu pro přizpůsobení řešení. Obě volby jsou platné a slouží stejně dobře jako základ pro úspěšné řešení strojového učení.
(Poznámka editora: Zde si můžete prohlédnout další alternativy k SageMaker.)
Neobvyklé algoritmy SageMaker zahrnují populární, vysoce optimalizované příklady klasifikace obrázků, zpracování přirozeného jazyka atd. Kompletní seznam naleznete tady.
- Výhody out-of-the-box: Tyto algoritmy byly předem optimalizovány (a procházejí neustálým zlepšováním). Můžete být v provozu, běžet a nasazovat rychle.Navíc je k dispozici automatické ladění hyperparametrů AWS.
- Neoprávněné úvahy: Trvalá vylepšení uvedená výše nemusí přinést výsledky tak předvídatelné, jako kdybyste měli úplnou kontrolu nad implementací svých algoritmů.
Pokud tyto algoritmy nejsou vhodné pro váš projekt, máte tři další možnosti: (1) Amazonovu Apache Spark Library, (2) vlastní Pythonův kód (který používá TensorFLow nebo Apache MXNet) nebo (3) „přineste si vlastní“, kde jste jsou v zásadě neomezené, ale bude nutné vytvořit obrázek Docker, abyste mohli trénovat a obsluhovat váš model (můžete tak učinit pomocí pokynů tady).
Přístup „přineste si vlastní“ vám nabízí úplnou svobodu. To se může ukázat jako atraktivní pro vědce s údaji, kteří již vytvořili knihovnu uživatelského a / nebo proprietárního algoritmického kódu, který nemusí být zastoupen v aktuální sadě krabic.
- Přineste si své výhody: Umožňuje úplnou kontrolu nad celým potrubím pro vědu o údajích spolu s používáním proprietární IP.
- Přineste si své vlastní úvahy: Pro trénink a obsluhu výsledného modelu je vyžadována dokovací stanice. Začlenění algoritmických vylepšení je vaší odpovědností.
Bez ohledu na volbu vašeho algoritmu je SageMaker na AWS přístupem, který stojí za zvážení, vzhledem k tomu, jak velký důraz byl kladen na snadné použití z pohledu datové vědy. Pokud jste se někdy pokusili přenést projekt strojového učení z místního prostředí do hostovaného, budete příjemně překvapeni, jak plynulý je SageMaker. A pokud začínáte od nuly, jste již o několik kroků blíže k vašemu cíli, vzhledem k tomu, kolik už máte na dosah ruky.